PyTorch张量内存共享机制：赋值后修改为何原张量有时不变

核心原因是两组测试中对b的修改属于完全不同的操作类型，一个是原地修改共享内存的内容，一个是给变量重新绑定新对象。

第一组测试逻辑 #

你执行的b[b == 1] = 0是原地修改（in-place operation）：

• 执行b = a后，a和b两个变量名绑定到了同一个Tensor对象，二者指向同一块底层数据内存
• 原地修改操作直接改写该内存地址下存储的Tensor值，不会生成新的对象，因此两个变量同步感知到内容变化

你可以通过print(a.data_ptr() == b.data_ptr())验证，执行完赋值操作后二者的底层数据地址仍然一致。

第二组测试逻辑 #

你执行的b = b - 1不是原地操作：

• b - 1属于算术运算，PyTorch会为运算结果分配新的内存，生成一个全新的Tensor对象
• 赋值语句b = 新的Tensor对象会把b这个变量名，从原来和a共享的旧Tensor上解绑，重新绑定到新生成的Tensor上
• 此时a仍然绑定原来的旧Tensor对象，自然不会受到新对象的影响

同样可以用data_ptr验证：执行b = b - 1后，b.data_ptr()已经和a.data_ptr()不相等，二者已经指向不同的内存空间。

补充验证 #

如果你希望减法操作也能原地修改共享内存，可以使用PyTorch中带_后缀的原地方法，或者增量赋值语法：

a = torch.tensor([[1,0,1,0],
                  [0,1,1,0]])
b = a
b -= 1 # 等价于b.sub_(1)，属于原地操作

执行上述代码后，a也会同步变化为减法后的结果。

内容的提问来源于stack exchange，提问作者Xxxxiehaofeng